本文通過兩步定義候選點(diǎn)的中心標(biāo)簽：

1．  確定該點(diǎn)是否在一個(gè)目標(biāo)中；

2． 計(jì)算該點(diǎn)到這個(gè)目標(biāo)六面體上下左右表面的距離，再通過以下公式得到 l＿ctrness：

損失函數(shù)

全部損失函數(shù)分為分類損失、回歸損失和偏移損失（這個(gè)是指從采樣代表點(diǎn)到候選點(diǎn)得到時(shí)的損失函數(shù)）。

其中 N＿c 為候選點(diǎn)的個(gè)數(shù)，N＿p 為勾選點(diǎn)中前景點(diǎn)的個(gè)數(shù)，N＿P＾＊ 表示 F－FPS 采樣得到的候選點(diǎn)。分類損失采用的是交叉熵函數(shù)，s＿i， u＿i 分別表示預(yù)測得分和中心性分?jǐn)?shù)�；貧w損失包括距離回歸、大小回歸、角度回歸和角點(diǎn)回歸。

論文實(shí)驗(yàn)

本文實(shí)驗(yàn)使用了 mix－up、隨機(jī)旋轉(zhuǎn)平移、x 軸尺度變化、z 軸旋轉(zhuǎn)四種數(shù)據(jù)增強(qiáng)方法。在 KITTI 和 nuScenes 兩個(gè)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。

為驗(yàn)證各�？斓挠行�性，本文還進(jìn)行了消融實(shí)驗(yàn)。

值得注意的是，本文的方法甚至可以與基于體素的單階段方法保持相似的 inference 速度。在所有現(xiàn)有方法中，本文的方法僅比 PointPillars 慢，而 PointPillars 已通過多種實(shí)現(xiàn)優(yōu)化策略（例如 TensorRT）進(jìn)行了增強(qiáng)，但是在本文的實(shí)現(xiàn)中尚未使用。本文的方法仍有很大的潛力可以進(jìn)一步加速。

結(jié)論

本文首次提出了一種輕量級(jí)且高效的基于點(diǎn)的 3D 單階段目標(biāo)檢測框架，并引入了一種新穎的融合采樣策略，以刪除費(fèi)時(shí)的 FP 和優(yōu)化模塊。在預(yù)測網(wǎng)絡(luò)中，候選生成層利用降采樣的代表點(diǎn)進(jìn)一步降低計(jì)算成本。本文提出的帶有 3D 中心標(biāo)簽的無錨回歸頭提高了最終性能。所有這些有效的設(shè)計(jì)使本文的模型在性能和 inference 時(shí)間方面都表現(xiàn)更加出色。